Pandas在具有不同名称的列上联接

Question

我有两个不同的数据帧，我想对它们执行一些sql操作。不幸的是，和我正在处理的数据一样，拼写常常不同。

下面是一个示例，其中userid属于df1，username属于df2。有人帮我吗？

 # not working - I assume some syntax issue?
pd.merge(df1, df2, on = [['userid'=='username', 'column1']], how = 'left')

Answer 1

另一种方法是使用join将右侧的索引DataFrame设置为列['username', 'column1']：

df1.join(df2.set_index(['username', 'column1']), on=['userid', 'column1'], how='left')

这个join的输出将来自两个不同命名的键列userid和username的匹配键合并到一个以df1，userid键列命名的列中，而merge的输出将这两个列保持为单独的列。为了说明这一点，请考虑以下示例：

import numpy as np
import pandas as pd

df1 = pd.DataFrame({'ID': [1,2,3,4,5,6], 'pID' : [21,22,23,24,25,26], 'Values' : [435,33,45,np.nan,np.nan,12]})
##    ID  Values  pID
## 0   1   435.0   21
## 1   2    33.0   22
## 2   3    45.0   23
## 3   4     NaN   24
## 4   5     NaN   25
## 5   6    12.0   26

df2 = pd.DataFrame({'ID' : [4,4,5], 'pid' : [24,25,25], 'Values' : [544, 545, 676]})
##    ID  Values  pid
## 0   4     544   24
## 1   4     545   25
## 2   5     676   25

pd.merge(df1, df2, how='left', left_on=['ID', 'pID'], right_on=['ID', 'pid']))
##    ID  Values_x  pID  Values_y   pid
## 0   1     435.0   21       NaN   NaN
## 1   2      33.0   22       NaN   NaN
## 2   3      45.0   23       NaN   NaN
## 3   4       NaN   24     544.0  24.0
## 4   5       NaN   25     676.0  25.0
## 5   6      12.0   26       NaN   NaN

df1.join(df2.set_index(['ID','pid']), how='left', on=['ID','pID'], lsuffix='_x', rsuffix='_y'))
##    ID  Values_x  pID  Values_y
## 0   1     435.0   21       NaN
## 1   2      33.0   22       NaN
## 2   3      45.0   23       NaN
## 3   4       NaN   24     544.0
## 4   5       NaN   25     676.0
## 5   6      12.0   26       NaN

这里，我们还需要在join中指定lsuffix和rsuffix，以区分输出中的重叠列Value。如您所见，merge的输出包含来自右侧DataFrame的额外pid列，考虑到合并的上下文，这是不必要的。还请注意，pid列的dtype已更改为float64，这是由于从不匹配行引入的NaN而进行的上推。

这种美观的输出是以性能上的代价获得的，因为调用右边的set_index会产生一些开销。然而，一个快速而肮脏的配置文件显示，这并不太可怕，大致上是30%，这可能是值得的：

sz = 1000000 # one million rows
df1 = pd.DataFrame({'ID': np.arange(sz), 'pID' : np.arange(0,2*sz,2), 'Values' : np.random.random(sz)})
df2 = pd.DataFrame({'ID': np.concatenate([np.arange(sz/2),np.arange(sz/2)]), 'pid' : np.arange(0,2*sz,2), 'Values' : np.random.random(sz)})

%timeit pd.merge(df1, df2, how='left', left_on=['ID', 'pID'], right_on=['ID', 'pid'])
## 818 ms ± 33.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit df1.join(df2.set_index(['ID','pid']), how='left', on=['ID','pID'], lsuffix='_x', rsuffix='_y')
## 1.04 s ± 18.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

Answer 2

当名称不同时，使用xxx_on参数而不是on=：

pd.merge(df1, df2, left_on=  ['userid', 'column1'],
                   right_on= ['username', 'column1'], 
                   how = 'left')